In this article (4)
Gym yang Tidak Pernah Ramai: Bagaimana Penetapan Harga Tetap AI Dibangun di Atas Taruhan bahwa Kamu Tidak Akan Muncul
Key Takeaways
- Penetapan harga tetap AI dibangun atas asumsi utilisasi rendah: margin produk bergantung pada sebagian besar pelanggan yang hampir tidak menggunakannya.
- Biaya inferensi yang bervariasi berarti penggunaan AI yang intensif atau agentik dapat mengubah pelanggan dari menguntungkan menjadi merugi, sebuah risiko struktural yang tidak pernah dihadapi SaaS tradisional.
- Para pengembang harus memodelkan penggunaan AI terhadap ARPU sekarang dan mempertimbangkan penetapan harga berbasis penggunaan atau berjenjang sebelum pola keterlibatan melampaui asumsi biaya tetap.
SaaS pricing mengasumsikan biaya marjinal mendekati nol. AI tidak demikian. Memahami kesenjangan itu adalah pelajaran terpenting dalam ekonomi teknologi saat ini.
SaaS pricing mengasumsikan biaya marginal mendekati nol. AI tidak demikian. Memahami kesenjangan itu adalah pelajaran terpenting dalam ekonomi teknologi saat ini.
Bayangkan sebuah gym yang mengenakan biaya bulanan tetap, tetapi diam-diam menjalankan kalkulasi dengan asumsi bahwa sebagian besar anggota tidak pernah datang. Model bisnis ini berjalan mulus hingga terlalu banyak orang mulai benar-benar menggunakan treadmill-nya. Ini bukan sekadar metafora untuk jaringan pusat kebugaran. Ini adalah gambaran tepat tentang bagaimana langganan AI dengan tarif tetap saat ini disusun, dan memahaminya akan mengubah cara kamu membaca setiap halaman harga AI yang kamu temui mulai sekarang.
Asumsi Tersembunyi di Balik Setiap Tarif Tetap
Selama kurang lebih empat puluh tahun, penetapan harga perangkat lunak beroperasi berdasarkan satu kebenaran mendasar: melayani satu pengguna tambahan hampir tidak membutuhkan biaya apa pun. Seperti yang ditulis Utpal Dholakia dalam The Pricing Conundrum, hampir semua strategi penetapan harga yang terkait dengan layanan SaaS — mulai dari langganan per kursi dan tingkatan gratis hingga diskon volume untuk pelanggan enterprise besar — dikembangkan pada masa ketika biaya inkremental untuk menambah pengguna mendekati nol. Asumsi itulah yang membentuk cara para pendiri memodelkan unit economics, cara investor menilai ARR, dan cara pelanggan belajar memikirkan berapa seharusnya harga perangkat lunak. Pengguna berat maupun pengguna kasual secara ekonomis tidak berbeda dari sudut pandang vendor. Tarif tetap masuk akal karena kurva biayanya pun datar.
Inferensi AI tidak datar. Setiap kueri, setiap gambar yang dihasilkan, setiap tugas agentic yang berjalan secara otonom atas nama pengguna mengonsumsi komputasi nyata yang skalanya berbanding langsung dengan seberapa banyak pengguna tersebut benar-benar berinteraksi. Menurut analisis RevenueCat tentang ekonomi aplikasi berlangganan, fitur AI memperkenalkan biaya variabel yang skala dengan keterlibatan pengguna, yang secara langsung mengganggu model biaya marjinal mendekati nol yang menjadi fondasi aplikasi berlangganan tradisional. Semakin banyak pelanggan menggunakan produk, semakin besar biaya untuk melayani mereka. Ini secara struktural merupakan kebalikan dari bagaimana ekonomi SaaS dirancang untuk bekerja.
Mengapa Vendor Menetapkan Harga yang Bisa Berbalik Melawan Mereka
Lantas mengapa perusahaan mana pun yang rasional mau menetapkan harga produk dengan cara seperti ini? Jawabannya, seperti yang dicatat Marc Nager dalam sebuah analisis ekonomi AI yang banyak beredar di LinkedIn, adalah bahwa beban biaya ini secara aktif disubsidi di antara para pemain AI besar. Kerangka pikir Brad Feld, yang dikutip dalam diskusi yang sama, menangkap ketegangan struktural ini dengan jelas: AI mungkin lebih cepat, tetapi tidak lebih murah, dan ada utang yang menumpuk di balik penetapan harga yang tidak terlihat oleh konsumen.
Penetapan harga tarif tetap bukanlah bentuk kenaifan. Ini adalah taruhan terkalkulasi bahwa sebagian besar pelanggan akan menggunakan produk secara ringan, menghasilkan pendapatan yang mensubsidi silang minoritas pengguna berat. Ini berhasil sampai pola penggunaan bergeser. Pergeseran itu sudah terlihat. Kasus penggunaan AI agentic — di mana sebuah model menjalankan tugas multi-langkah secara otonom alih-alih menjawab satu kueri — mendorong konsumsi komputasi yang jauh lebih berat per sesi dibandingkan penggunaan percakapan biasa. Seperti yang dijelaskan secara gamblang dalam analisis model penetapan harga AI dari Lago, memantau penggunaan dan memilih model penetapan harga yang tepat benar-benar berisiko tinggi bagi bisnis AI mana pun: satu asumsi yang salah tentang kedalaman keterlibatan dapat meruntuhkan unit economics yang menjadi tumpuan seluruh margin produk. Tim editorial Aria Systems mengatakannya lebih lugas, dengan berargumen bahwa langganan tarif tetap secara struktural tidak kompatibel dengan ekonomi produk AI dalam jangka panjang.
Seperti Apa Sebenarnya Perancangan Ulang Harga Itu
Industri ini tidak tinggal diam. Tulisan Dholakia di The Pricing Conundrum, yang diterbitkan pada Mei 2026, mendokumentasikan satu generasi penuh struktur baru yang sedang dikembangkan sebagai respons: tingkatan gratis yang lebih ketat, batas penggunaan, penagihan berdasarkan meteran, biaya berbasis hasil, tolok ukur penggantian tenaga kerja, dan kerangka kerja untuk menilai tenaga kerja agen AI. Bessemer Venture Partners telah menerbitkan panduan lengkap tentang penetapan harga dan monetisasi AI yang memetakan bagaimana vendor dapat menyelaraskan struktur harga dengan biaya aktual dalam memberikan nilai AI.
Benang merah di semua pendekatan ini adalah pergeseran dari asumsi tarif tetap menuju struktur yang memungkinkan pendapatan berkembang seiring dengan komputasi yang dikonsumsi. Laporan TechCrunch pada Juni 2026 tentang langkah-langkah Google di pasar langganan AI memberi sinyal bahwa bahkan pemain terbesar pun sedang aktif menetapkan ulang harga dan memosisikan ulang diri, yang berarti lanskap persaingan benar-benar dalam kondisi guncangan.
Bagi siapa pun yang membangun produk di atas infrastruktur AI, rekomendasi RevenueCat bersifat konkret secara operasional: modelkan penggunaan AI terhadap metrik ARPU dan retensi kamu, arahkan permintaan ke model yang hemat biaya bila memungkinkan, gunakan kembali output yang sudah dihasilkan daripada menghasilkannya ulang, dan batasi akses AI tingkat lanjut di balik tingkatan berbayar yang mencerminkan biaya aktual untuk melayani pengguna berat. Ini bukan praktik terbaik yang bersifat teoretis. Ini adalah mekanisme untuk bertahan dalam transisi dari asumsi tarif tetap menuju dunia di mana tingkat utilisasi benar-benar penting.
Apa yang Perlu Diperhatikan dan Apa yang Perlu Dibangun
Perancangan ulang harga yang digambarkan Dholakia masih dalam tahap awal. Sebagian besar diskusi industri, seperti yang ia catat, berfokus pada sudut pandang penjual, dengan hampir tidak ada kajian serius tentang bagaimana pelanggan sebenarnya akan memandang dan mengevaluasi struktur baru tersebut. Kesenjangan ini sangat penting bagi siapa pun yang membangun produk bertenaga AI: kamu bisa merancang model penetapan harga berbasis meteran atau berbasis hasil yang secara ekonomis rasional, namun tetap kehilangan pelanggan yang sudah terbiasa selama empat puluh tahun dengan SaaS tarif tetap dan mengharapkan tagihan bulanan yang dapat diprediksi. Paruh masalah yang berkaitan dengan persepsi pelanggan inilah yang akan menentukan struktur penetapan harga baru mana yang benar-benar bertahan.
Cara membaca situasi ini secara konstruktif adalah bahwa momen ini sungguh memberikan pelajaran berharga. Setiap langganan AI yang kamu evaluasi — baik sebagai pengguna, pembangun, maupun investor — kini hadir dengan pertanyaan tersembunyi yang layak ditanyakan: tingkat utilisasi berapa yang diasumsikan oleh harga ini, dan apa yang terjadi pada bisnis jika penggunaan aktual ternyata berbeda? Tim yang menginternalisasi pertanyaan itu lebih awal, dan membangun arsitektur penetapan harga yang dapat fleksibel mengikuti pola keterlibatan dunia nyata, adalah mereka yang paling mungkin masih berdiri ketika era pertumbuhan bersubsidi dalam penetapan harga AI berakhir.
